组合学习技术揭示了儿童精神分裂症的多维EEG特征变化
Ying Mao1,2, Fang Wang1, Shan Wang1
1Department of Special Examination, Shaoxing People's Hospital, Shaoxing, China.
Frontiers in human neuroscience
|August 25, 2025
概括
这项研究开发了一个机器学习框架,使用脑电图 (EEG) 功能来准确诊断儿科精神分裂症 (SCZ),识别关键的神经变化以改善早期检测.
科学领域:
- 神经科学
- 计算精神病学
- 生物医学工程
背景情况:
- 由于依赖主观评估, 对精神分裂症 (SCZ) 的诊断具有挑战性.
- 对儿童SCZ的客观诊断工具至关重要.
- 了解儿童SCZ的神经变化对于早期干预至关重要.
研究的目的:
- 开发一个用于儿童SCZ辅助诊断的机器学习框架.
- 使用多维脑电图 (EEG) 功能进行诊断.
- 在儿童SCZ患者中调查潜在的神经变化.
主要方法:
- 收集了儿童SCZ患者和健康对照者的静止状态EEG数据.
- 提取相对功率 (RP),模糊 (FuzEn) 和功能连接 (FC) 的EEG特征.
- 采用集体学习模型和递归特征消除来进行特征选择和分类.
主要成果:
- 确定了212个高度歧视性的EEG特征 (RP,FuzEn,FC).
- 使用选择特征的分类提升模型实现了99.60%的分类准确性.
- 显示了脑电图的变化,包括小儿SCZ的前侧-双侧FC变化和减少的FuzEn.
结论:
- 具有多维EEG特征的机器学习显示了儿童SCZ诊断的巨大潜力.
- 确定的特定神经变化 (FC,RP,FuzEn) 提供了对SCZ病理生理学的见解.
- 开发的框架可以帮助开发儿童SCZ的自动诊断系统.
